Automatic Event Detection Using Wearable Technology During Short-Track Speed Skating Races
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The performance in short-track speed skating (STSS) is driven by technique optimization. However, because of discomfort, clutter, or complexity, regular instrumentation may not be suitable for use in daily training. The objective of this study was to validate a single-accelerometer-based algorithm: 1) to detect the number of strokes and 2) accurately classify left, right, pivot, and straight-line strokes during four- and nine-lap practice race simulations. Twenty-eight athletes from the Canadian National STSS team were instrumented with an accelerometer taped to their sacrums that would collect tridimensional accelerations and angles from start to finish, and they were filmed with a single camera setup during four-lap and/or nine-lap individual race trials. Data were analyzed with a custom MATLAB algorithm and compared to video data on two datasets to investigate the number of strokes, pivots, and straights detected. Over 98% of strokes were detected; and over 99% right/left strokes, 97.7% pivots, and 98.6% straights were identified. The validation led to intraclass correlation coefficients [ICC(3, 1)] of over 0.97, indicating an excellent agreement between the two methods. The results support the ability of wearable technology to deliver valid speed-skating data, enabling rapid feedback to coaches and athletes with minimal equipment in training.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle